AI-ready : six conditions avant de multiplier les outils d’IA

Quand une organisation commence à s’intéresser sérieusement à l’intelligence artificielle, la première question ressemble souvent à celle-ci : quel outil devrions-nous acheter?

ChatGPT, Copilot, Gemini, Claude? Une licence pour tout le monde ou seulement pour quelques employés? Un agent spécialisé? Une plateforme qui promet d’automatiser une partie des opérations?

Ces questions sont légitimes. Mais elles arrivent trop tôt.

Avant de choisir un outil, une organisation devrait se demander si elle est capable d’en tirer quelque chose d’utile, de fiable et de durable.

Autrement dit : est-elle réellement prête à travailler avec l’IA?

Ce que veut dire être AI-ready

L’expression AI-ready peut donner l’impression qu’il existe une ligne d’arrivée. D’un côté, les organisations qui ne seraient pas prêtes. De l’autre, celles qui auraient terminé leur préparation et pourraient enfin utiliser l’IA.

Dans la réalité, ça ne fonctionne pas comme ça.

Aucune organisation ne peut tout prévoir avant de commencer. Les outils changent rapidement, les usages se précisent avec l’expérience et plusieurs risques deviennent visibles seulement lorsqu’on expérimente dans un vrai contexte de travail.

Être AI-ready ne signifie donc pas que tout est parfaitement organisé.

Cela signifie que l’organisation possède les conditions minimales pour commencer, apprendre, mesurer ce qui se passe et corriger sa trajectoire.

Il faut aussi distinguer AI-ready d’AI-first.

Une organisation AI-ready est capable d’expérimenter l’IA de façon responsable. Une organisation AI-first va plus loin : elle intègre progressivement l’IA à ses façons de réfléchir, de décider et d’agir.

La première notion décrit une capacité de départ. La deuxième décrit une direction organisationnelle.

Voici les six conditions qui me semblent nécessaires pour faire ce premier pas sérieusement.

1. Partir d’un problème réel, pas d’un outil

Un outil d’IA ne crée pas automatiquement un besoin.

Une organisation peut acheter des licences pour tous ses employés et découvrir quelques mois plus tard que chacun les utilise de son côté, sans objectif commun, sans méthode et sans résultat mesurable.

La première condition consiste donc à identifier un problème concret.

Quelle tâche prend trop de temps? Quelle décision exige de rassembler beaucoup d’information? Où les erreurs se répètent-elles? Quel travail pourrait être amélioré si les employés pouvaient mieux chercher, structurer, comparer ou reformuler l’information?

Le cas d’usage n’a pas besoin d’être spectaculaire.

Il peut s’agir de préparer une première synthèse, analyser des commentaires clients, comparer des options, structurer une rencontre, produire une ébauche ou retrouver plus rapidement une information.

Ce qui compte, c’est de pouvoir décrire le résultat recherché.

Si personne ne sait ce qui devrait s’améliorer, il sera impossible de déterminer si l’IA apporte réellement de la valeur.

2. Fournir un contexte suffisamment fiable

Une IA générale connaît beaucoup de choses. Elle ne connaît pas nécessairement ton entreprise.

Elle ignore les particularités de tes clients, les décisions déjà prises, les limites de ton offre, tes critères de qualité, tes règles internes et les raisons derrière certains choix.

Sans ce contexte, elle complète les trous avec ce qu’elle connaît du monde en général. Le résultat peut sembler convaincant sans être réellement adapté à ta situation.

Il ne faut pas pour autant attendre que toutes les données de l’entreprise soient parfaites.

La bonne question n’est pas : avons-nous tout documenté?

La bonne question est : avons-nous suffisamment d’information fiable pour réaliser ce cas d’usage?

Cela exige aussi de savoir quelle information fait autorité. Si trois versions d’une politique, deux listes de prix et plusieurs hypothèses contradictoires sont accessibles, l’IA peut utiliser fidèlement une source qui n’est plus vraie.

Préparer le contexte signifie donc sélectionner l’information utile, identifier la version actuelle et rendre visibles les limites de ce que l’IA peut utiliser.

3. Définir les règles et les responsabilités

Qui peut utiliser quel outil? Quelles données ne doivent jamais y être déposées? Dans quelles situations une validation humaine est-elle obligatoire? Qui demeure responsable du résultat?

Ces questions doivent être posées avant qu’un usage devienne une habitude.

Le cadre de gestion des risques du NIST (nouvelle fenêtre) organise notamment le travail autour de quatre fonctions : gouverner, comprendre le contexte, mesurer et gérer. L’idée importante n’est pas d’appliquer une immense liste de contrôle. C’est de reconnaître qu’un usage de l’IA doit avoir un contexte, des responsabilités et une façon d’évaluer le risque.

Le guide du gouvernement du Canada sur l’utilisation de l’IA générative (nouvelle fenêtre) insiste également sur la responsabilité, la protection des renseignements, la sécurité et la validation des résultats.

Pour une petite organisation, cette gouvernance peut rester simple.

Il peut s’agir d’une page qui précise les outils autorisés, les données interdites, les usages qui exigent une vérification et la personne responsable de répondre aux questions.

Le but n’est pas de créer une bureaucratie de l’IA. Le but est d’éviter que chaque employé invente seul ses propres règles.

4. Développer le jugement des personnes

Former les employés à l’IA ne consiste pas uniquement à leur montrer où cliquer ou comment écrire un prompt.

Ils doivent apprendre à reconnaître une bonne réponse, à repérer ce qui manque, à poser de meilleures questions et à vérifier les affirmations importantes.

Ils doivent aussi comprendre ce que l’IA ne sait pas.

Une réponse fluide n’est pas nécessairement exacte. Une source citée peut être périmée. Une recommandation peut être logique tout en reposant sur une mauvaise hypothèse. Une automatisation peut exécuter très efficacement une action qui n’aurait jamais dû être autorisée.

L’humain ne doit donc pas devenir un simple approbateur qui clique sur « accepter ».

Il doit conserver son rôle de jugement.

Cela suppose de savoir distinguer un fait, une hypothèse, une suggestion produite par l’IA et une décision assumée par l’organisation.

Une organisation est plus prête lorsque ses employés savent collaborer avec l’IA sans lui abandonner la responsabilité.

5. Expérimenter petit et mesurer

Il existe deux pièges opposés.

Le premier consiste à attendre que tout soit parfait avant de commencer. Le second consiste à déployer l’outil partout en espérant que les gains apparaîtront d’eux-mêmes.

Entre les deux, il y a l’expérimentation structurée.

On choisit un cas d’usage limité. On observe la façon actuelle de faire le travail. On teste une nouvelle méthode avec l’IA. On compare ensuite le temps, la qualité, les erreurs, l’effort demandé et la satisfaction des personnes concernées.

Le premier essai ne sert pas à prouver que l’IA fonctionne.

Il sert à apprendre dans quelles conditions elle fonctionne, pour qui, avec quel contexte et avec quels garde-fous.

L’expérimentation devrait aussi être réversible. Si l’outil produit de mauvais résultats, si les risques sont trop élevés ou si les gains ne compensent pas l’effort, l’organisation doit pouvoir revenir en arrière sans désorganiser ses opérations.

Être prête, ce n’est pas connaître d’avance la bonne réponse. C’est posséder une méthode pour la découvrir.

6. Conserver ce que l’organisation apprend

Chaque expérimentation produit plus qu’un résultat.

Elle fait apparaître des faits, des décisions, des règles, des questions ouvertes, des erreurs à éviter et de nouvelles pratiques.

Si tout cela demeure dans les conversations individuelles des employés, l’organisation risque de recommencer le même apprentissage plusieurs fois.

Un employé trouve une excellente façon d’utiliser l’IA. Un autre découvre une limite importante. Une équipe précise une règle. Une décision est prise. Mais quelques semaines plus tard, personne ne sait plus exactement où cette information se trouve ni quelle version est encore valide.

C’est ici qu’une mémoire de travail devient importante.

Il ne s’agit pas de conserver toutes les conversations. Il faut plutôt extraire ce qui mérite de devenir une connaissance commune : les faits utiles, leurs sources, les hypothèses encore actives, les décisions humaines, les règles, les résultats mesurés et les questions qui restent ouvertes.

Cette mémoire doit appartenir à l’organisation, pas uniquement à un compte individuel ou à un fournisseur d’IA.

C’est l’un des rôles que Pilostra (nouvelle fenêtre) peut jouer. La plateforme permet de structurer le contexte de l’entreprise, ses décisions et ses apprentissages afin qu’ils puissent être retrouvés et réutilisés. Pilostra ne remplace pas l’environnement dans lequel on travaille avec l’IA. Il conserve ce que l’organisation a choisi de retenir.

Avant de multiplier les licences, réponds à ces six questions

Une organisation n’a pas besoin d’obtenir une réponse parfaite à chacune de ces questions. Elle devrait toutefois être capable d’y répondre assez clairement pour lancer une première expérimentation.

1. Quel problème concret voulons-nous améliorer et quel résultat observerons-nous?
2. Quel contexte l’IA doit-elle utiliser et quelle information fait autorité?
3. Quelles données, décisions ou actions doivent rester protégées ou sous validation humaine?
4. Les personnes concernées savent-elles utiliser l’IA et challenger ses réponses?
5. Comment allons-nous comparer la nouvelle méthode à la façon actuelle de travailler?
6. Où conserverons-nous les décisions et les apprentissages produits par l’expérience?

Si plusieurs réponses sont encore inconnues, ce n’est pas une raison pour abandonner.

C’est simplement le véritable travail de préparation.

DÉCLIC IA : apprendre à devenir prêt en travaillant

C’est aussi la logique derrière DÉCLIC IA (nouvelle fenêtre).

Le parcours ne cherche pas à faire essayer le plus grand nombre d’outils possible. Il aide les participants à progresser dans leur façon de travailler avec l’IA : explorer, fournir du contexte, collaborer, vérifier, capitaliser, intégrer et piloter.

L’organisation ne prépare donc pas un plan parfait avant d’agir.

Elle développe progressivement sa capacité à structurer, clarifier, décider et piloter à partir de situations réelles.

Les usages, les règles et la mémoire se construisent ensemble.

Prêt ne veut pas dire terminé

La technologie continuera d’évoluer. Les outils utilisés aujourd’hui seront remplacés, transformés ou intégrés à d’autres plateformes.

Une organisation qui construit toute sa stratégie autour d’un logiciel précis devra constamment recommencer.

Une organisation qui développe sa capacité à choisir un problème, fournir le bon contexte, encadrer les usages, mobiliser le jugement humain, expérimenter et apprendre pourra s’adapter beaucoup plus facilement.

Elle ne sera jamais complètement prête.

Mais elle saura comment avancer sans perdre le contrôle.

Et c’est probablement la forme de préparation la plus importante.